Ruby 如何使用Nokogiri解析普通HTML表？

我想用Nokogiri解析一个HTML页面。页面的一部分中有一个表未使用任何特定ID。是否可以提取以下内容：

Today,3,455,34
Today,1,1300,3664
Today,10,100000,3444,
Yesterday,3454,5656,3
Yesterday,3545,1000,10
Yesterday,3411,36223,15

从这个HTML：

<div id="__DailyStat__">
  <table>
    <tr class="blh"><th colspan="3">Today</th><th class="r" colspan="3">Yesterday</th></tr>
    <tr class="blh"><th>Qnty</th><th>Size</th><th>Length</th><th class="r">Length</th><th class="r">Size</th><th class="r">Qnty</th></tr>
    <tr class="blr">
      <td>3</td>
      <td>455</td>
      <td>34</td>
      <td class="r">3454</td>
      <td class="r">5656</td>
      <td class="r">3</td>
    </tr>

    <tr class="bla">
      <td>1</td>
      <td>1300</td>
      <td>3664</td>
      <td class="r">3545</td>
      <td class="r">1000</td>
      <td class="r">10</td>
    </tr>

    <tr class="blr">
      <td>10</td>
      <td>100000</td>
      <td>3444</td>
      <td class="r">3411</td>
      <td class="r">36223</td>
      <td class="r">15</td>
    </tr>
  </table>
</div>

今天昨天
QnTySizeLength长度尺寸QnTy
3.
455
34
3454
5656
3.
1.
1300
3664
3545
1000
10
10
100000
3444
3411
36223
15

作为快速而肮脏的第一步，我会：

html = <<EOT
<div id="__DailyStat__">
  <table>
    <tr class="blh"><th colspan="3">Today</th><th class="r" colspan="3">Yesterday</th></tr>
    <tr class="blh"><th>Qnty</th><th>Size</th><th>Length</th><th class="r">Length</th><th class="r">Size</th><th class="r">Qnty</th></tr>
    <tr class="blr">
      <td>3</td>
      <td>455</td>
      <td>34</td>
      <td class="r">3454</td>
      <td class="r">5656</td>
      <td class="r">3</td>
    </tr>

    <tr class="bla">
      <td>1</td>
      <td>1300</td>
      <td>3664</td>
      <td class="r">3545</td>
      <td class="r">1000</td>
      <td class="r">10</td>
    </tr>

    <tr class="blr">
      <td>10</td>
      <td>100000</td>
      <td>3444</td>
      <td class="r">3411</td>
      <td class="r">36223</td>
      <td class="r">15</td>
    </tr>
  </table>
</div>
EOT

#    Today              Yesterday
#    Qnty Size   Length Length Size  Qnty
#    3    455    34     3454   5656  3
#    1    1300   3664   3545   1000  10
#    10   100000 3444   3411   36223 15


require 'nokogiri'

doc = Nokogiri::HTML(html)

循环表中的行，拒绝标题：

table.search('tr').each do |tr|

  next if (tr['class'] == 'blh')

初始化数组以从每行捕获相关数据，有选择地将数据推入适当的数组：

  today_td_data     = [ 'Today'     ]
  yesterday_td_data = [ 'Yesterday' ]

  tr.search('td').each do |td|
    if (td['class'] == 'r')
      yesterday_td_data << td.text.to_i
    else
      today_td_data << td.text.to_i
    end
  end

  today_data     << today_td_data
  yesterday_data << yesterday_td_data

end

为了帮助您可视化正在发生的事情，在“tr”循环的出口处，

today\u data

和

today\u data

数组是数组的数组，看起来像：

[["Today", 3, 455, 34], ["Today", 1, 1300, 3664], ["Today", 10, 100000, 3444]]

或者，我可以先抓取“tr”的内容，然后使用

scan

抓取数字，并将结果数组分为“今天”和“昨天”数组，而不是在“td”标记上循环并感应标记的类：

在现实世界的开发中，就像在工作中一样，我会用它来代替我第一次写的东西，因为它很简洁

---

请注意，我没有使用XPath。在Nokogiri中使用XPath并实现这一点非常可行，但为了简单起见，我更喜欢CSS访问器。XPath将允许访问单个“td”标记内容，但它也将开始看起来像行噪声，这是我们在编写代码时要避免的，因为它会影响维护。我也可以使用CSS向下搜索到正确的“td”标记，如

'tr td.r'

，但我认为这不会改进代码，这只是一种替代方法。

谢谢@the tin man。它工作正常，只是我不得不将doc.at更改为doc.css，因为我遇到了一些错误。我只有一些小问题，我会设法解决。我没有足够的声誉来投票，所以振作起来：）

at

可以同时使用CSS和XPath，但只返回第一次出现的节点，因此您可能有多个

table

标记

css

是

search

的别名，它返回一个节点集，也就是一个节点数组，因此您必须索引到结果中，或者对结果进行迭代

at_css

是特定于css的等价于

at

@JraNil的，另外，仅供参考，该代码适用于示例HTML，因此示例中一定缺少某些内容。如果您生成一个准确的样本，我们可以提供更好的答案。是的，原始网页似乎有一些问题。当我用openuri或wget调用它时，它没有响应。我正在尝试做一个代理，并使用Mechanize调用该页面。

puts today_data.map{ |a| a.join(',') }
puts yesterday_data.map{ |a| a.join(',') }

> Today,3,455,34
> Today,1,1300,3664
> Today,10,100000,3444
> Yesterday,3454,5656,3
> Yesterday,3545,1000,10
> Yesterday,3411,36223,15

[["Today", 3, 455, 34], ["Today", 1, 1300, 3664], ["Today", 10, 100000, 3444]]

  tr_data = tr.text.scan(/\d+/).map{ |i| i.to_i }

  today_td_data     = [ 'Today',     *tr_data[0, 3] ]
  yesterday_td_data = [ 'Yesterday', *tr_data[3, 3] ]